CN109299697A - 基于水声通信调制方式识别的深度神经网络系统及方法 - Google Patents
基于水声通信调制方式识别的深度神经网络系统及方法 Download PDFInfo
- Publication number
- CN109299697A CN109299697A CN201811154861.XA CN201811154861A CN109299697A CN 109299697 A CN109299697 A CN 109299697A CN 201811154861 A CN201811154861 A CN 201811154861A CN 109299697 A CN109299697 A CN 109299697A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- neural network
- underwater sound
- sound communication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供一种基于水声通信调制方式识别的深度神经网络系统及方法,该系统包括:数据预处理部分,对通过水声通信传过来的多种调制方式数据进行预处理;第一层神经网络,根据预处理后的所述水声通信传输过来的多种调制方式数据,产生第一层的特征提取集;第二层神经网络产生第二层高级特征集;第三层神经网络产生更高层的特征集,第四层神经网络层,通过前面提取的特征集进行初始数据分类识别;第五层神经网络层,产生最终的调制方式判断,输出识别出的调制方式。该基于水声通信调制方式识别的深度神经网络系统及方法可以模拟实际使用的情况,提高在实际水声通信中的使用效果,更方便高效地完成水声通信调制识别,提高识别判断的准确度。
Description
技术领域
本发明涉及深度学习神经网络技术领域,特别是涉及到一种基于水声通信调制方式识别的深度神经网络系统及方法。
背景技术
水声通信中由于复杂多变的传播环境,通常实现起来都很困难。在水声通信中诸如窄带宽和符号间干扰(ISI)之类的信道特性对水声通信系统的性能有显着影响。调制识别作为通信系统中的关键一环,用于许多协作通信和非协作通信系统,用于信号识别和解调。然而水声信道的低信噪比(SNR)和时变等特性使得信号调制识别变得非常困难。用于水声通信信号处理的当前常用技术,例如时域turbo均衡,频域turbo均衡和稀疏自适应滤波器结构复杂、流程繁琐并且处理速度慢,而且实际性能通常也不是很好。因此,必须开发出新的调制识别技术,这些技术要具备鲁棒性好,并且能够适应变化的水声信道。这里采用了基于深度神经网络的调制识别技术。
深度学习是机器学习的一个分支,深度神经网络是深度学习的实现方式,它使用连续的非线性处理层来模拟高级数据抽象。目前已经广泛应用于各种场景内,如计算机视觉,自然语言处理等多种行业内。虽然这些成果证明了深度神经网络的应用潜力,但是在无线通信领域中应用很少,传统机器学习方法支持向量机(SVM)和K-邻近规则(KNN)已被用于调制识别中。最近,深度神经网络已被用于正交频分复用(OFDM)系统中的信号检测和毫米波(mmWave)多输入多输出(MIMO)系统中的信道估计。在如医学分子系统的许多无线通信系统中,难以通过实验或分析获得准确的信道模型。因此,在发明中,深度神经网络用于信号调制识别,其不需要信道的先验知识。
由于采用多层网络结构,深度神经网络已被证明在图像识别和语音处理应用中提供比其他算法更好的性能。从神经学角度来看,深度神经网络基于人脑视觉皮层中的感知。人眼以图像的形式将信号传输到大脑,大脑逐层抽取此图像,并提取边缘和角落作为图像的特征,以便做出决策。这个过程深度神经网络可直接用于识别而无需预先处理数据,提取输入网络中的数据特征。
目前在现有技术方面,虽然已经有传统机器学习方法用于自动识别各种调制方式,但是用于水声通信调制方式的识别还是很少。目前还没有广泛的深度神经网络如卷积神经网络用来处理水声通信过程中调制方式识别的例子。目前的CNN系统主要用于图像识别领域,语音识别领域等方面,很少有直接用于通信领域的深度神经网络方法。而使用深度学习技术用于水声通信调制识别的方式方法研究还没有全面展开。为此我们发明了一种新的基于水声通信调制方式识别的深度神经网络系统及方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种可以提高对水声通信调制方式的判断准确率的基于水声通信调制方式识别的深度神经网络系统及方法。
本发明的目的可通过如下技术措施来实现:基于水声通信调制方式识别的深度神经网络系统,该基于水声通信调制方式识别的深度神经网络系统包括:数据预处理部分,对通过水声通信传过来的多种调制方式数据进行预处理;第一层神经网络,根据预处理后的所述水声通信传过来的多种调制方式数据,经过数据格式调整成[通道,行,列]的数据格式产生第一层的特征提取集;第二层神经网络根据该第一层神经网络生成的第一层的特征提取集产生第二层高级特征集;第三层神经网络,根据该第二层神经网络产生的第二层高级特征集产生更高层的特征集,第四层神经网络层,通过前面提取的特征集进行初始数据分类识别;第五层神经网络层,产生最终的调制方式判断,输出识别出的调制方式。
本发明的目的还可通过如下技术措施来实现:
该数据预处理部分包括:将各种调制方式复数格式数据对应转换成相应实数数据格式的数据转换单元;调整数据格式转换成为可以输入到该第一次神经网络提取数据特征的数据格式调整单元;以及对目标水声通信调制识别数据与参考水声通信调制数据进行归一化的归一化处理单元。
所述目标水声通信调制识别数据与所述参考水声通信调制数据特征相同。
所述目标水声通信调制识别数据与所述参考水声通信调制数据分别属于同一水声信道下的水声通信数据。
该第一层神经网络包括了第一卷积层和第一池化层,第一卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第一池化层消除多余信息并降低计算复杂性。
该第二层神经网络包括了第二卷积层和第二池化层,第二卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第二卷积层的M值是第一卷积层M值的2倍,两层的N值一样,第一层卷积层的神经单元数与第二卷积层的神经单元数一致,第二池化层消除多余信息并降低计算复杂性。
第三层神经网络包括了第三卷积层和第三池化层,第三卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,该第三卷积层的神经单元数比该第一卷积层的神经单元数要少,该第三卷积层的数据卷积单元与该第一卷积层的数据卷积单元数一样,第三池化层消除多余信息并降低计算复杂性。
该第四层神经网络层为全连接预判断层,根据各层神经网络提取的特征集进行初步判断处理,判断初始数据特征集的分属归类情况,分析这些数据特征集分别属于哪些分类,通过各层神经网络提供的特征集,这层使用全连接层进行数据的分类处理。
该第五层神经网络层为判断层,根据各层神经网络提供的特征信息对实际传输的调制方式进行判断,判断经过水声信道污染的接收信号属于何种调制方式。
本发明的目的也可通过如下技术措施来实现:基于水声通信调制方式识别的方法,该基于水声通信调制方式识别的方法采用基于水声通信调制方式识别的深度神经网络系统,该基于水声通信调制方式识别的方法包括:步骤1,对训练深度神经网络模型数据和测试深度神经网络模型数据分别进行预处理调整;步骤2,使用该基于水声通信调制方式识别的深度神经网络系统对训练深度神经网络模型数据和测试深度神经网络模型数据进行处理,获得训练深度神经网络模型数据和测试深度神经网络模型数据的数据特征集;步骤3,将训练深度神经网络模型数据和测试深度神经网络模型数据的特征进行分别重组形成训练用的特征数据序列和测试模型用的特征数据序列;步骤4,利用第四层神经网络层识别所述序列特征,获得水声通信的模拟调制方式的判断结果。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,进行的预处理调整包括数据格式调整、数据卷积单元的大小调整和归一化预处理。
本发明中的基于水声通信调制方式识别的深度神经网络系统及方法,通过深度神经网络在图像识别、视频处理及自然语言处理等领域取得突出成果上看,这些成熟的深度学习网络架构在无线通信领域特别是水声通信领域也可以取得良好的效果。尤其是卷积神经网络(CNN)的长足发展和取得各种成上看,这种成熟的深度神经网络方法通过测试调整应该可以很好利用于水声通信调制识别这个新领域中。在本发明中,使用了参考水声通信调制数据与目标水声通信调制数据分别独立作为输入深度神经网络的信息,也就是说目标水声通信调制方式数据的识别,同时可以参考通过同一种通信信道特征的参考水声通信调制方式数据。在这里,目标水声通信调制方式数据是指需要判断各种发送调制方式的水声通信数据;而参考水声通信调制方式数据是指与目标水声通信调制方式数据同样来自同一种通信信道特征的水声通信数据。本发明中同时使用的目标水声通信调制方式数据和参考水声通信调制方式数据可以模拟水声通信的实际通信过程,从而可以提高对水声通信调制方式的判断准确率。
附图说明
图1所示为本发明的实施方案所涉及的水声通信信道模型的示意图;
图2所示为本发明的实施方案所涉及的包含两层隐藏层的神经网络示意图;
图3所示为本发明的实施方案所涉及的卷积神经网络处理过程的示意图;
图4所示为本发明的实施方案所涉及的3D卷积处理过程示意图;
图5所示为本发明的实施方案所涉及的不同batch sizes分类准确性的示意图;
图6所示为本发明的实施方案所涉及的训练过程中的表现的示意图;
图7所示为本发明的实施方案所涉及的2层CNN网络和3层CNN网络对比分类表现的示意图;
图8所示为本发明的实施方案所涉及的信噪比从-20dB到20dB的识别效果;
图9所示为本发明的实施方案所涉及的信噪比-4dB的识别效果图;
图10所示为本发明的实施方案所涉及的信噪比0dB的识别效果图;
图11所示为本发明的实施方案所涉及的深度神经网络和其他类型神经网络对比分类表现的示意图;
图12所示本发明的实施方案的基于水声通信调制方式识别的方法的示意图;
图13所示本发明的实施方案的基于水声通信调制方式识别的深度神经网络系统的结构图。
具体实施方式
通过参考的附图,具体详述本发明的实施的优选方案。以下说明中,对于类似的功能部分使用相同的符号表示,重复的声明均省略。此外,附图都是示意图,描述的本发明功能部分互相之间的比例尺寸亦或是功能部分的外形等都可以与现实有所不同。
需要进一步说明的事,本发明中涉及到的术语“包括”和“具有”以及相关的任何其他变体形式,例如包括或所具有的一系列过程或者组成网络的结构单元的方法、流程、系统、设备及产品不必限于清楚地列出的那些过程或结构单元,而是可以包括或者具有没有清晰地说明的或者对于这些方法、流程、设备或产品固有的其它过程或结构单元。
此外,在本发明的下面详述中涉及的副标题等不是为了限制本发明的范围或者内容,其仅仅是为了阐述发明做的说明提示作用。类似的使用的副标题不能当作用于分离整个文章的标注,也不能将副标题下的内容仅仅限制在副标题的范围内。
如图1所示,水声信道受加性高斯白噪声(AWGN),多普勒效应和多径衰落的影响。接收信号可表示为其中s(t)是发射信号,n(t)是加性高斯白噪声(AWGN),h(t,η)是信道,di(t)是i个多径信号的衰减,N是多径信号的数量,η(t)是延迟,表示卷积。
本方案实施设计使用的调制方式为多进制PSK和QAM通信调制方式,可以表示为MPSK和MQAM,这两种调制是常用于水声信道的调制方式。MPSK信号可表示为其中A是幅度,wc是角频率,是给定的相位可表示为(M是符号的数量)。MQAM信号可以表示为sMQAM(t)=Picos(wct)+Qisin(wct) i=1,2,...,M,这里Pi=picos(ψi)和Qi=qisin(ψi)分别是第i个符号的同相和正交分量。同时,本方案实施设计使用的调制方式也不限于上述的几种调制方式,也可以包括SSB、DSB、4PAM、FM、AM和FSK(包括GFSK和CPFSK等方式)等各种调制方式。
本发明方案实施设计的深度神经网络,就是识别从上述的通信系统接收到的信号的调试方式,接收的信号受到了各种因素的干扰,在接收端很难正确识别,而通过本发明的深度神经网络方法可以很好地进行识别判断。以前的研究表明,具有一个或多个隐藏层的神经网络是一种通用逼近器,因此可以近似出任何连续函数。图2中示出了简单的神经网络,其包括输入层,两个隐藏层和输出层。在近似连续函数时,主要是根据实际具体的情况及所考虑的问题,确定每层中神经元的数量。通常,输入层不包括在神经网络层的数量中。从理论上讲,只要有足够数量的隐藏层和足够大的数据集,就可以非常接近任何函数。但是,在实际应用中,过多的隐藏层会导致过度拟合。在这种情况下,神经网络与训练数据配合良好,但在实际应用中表现不佳,因为它无法推广到新数据集中进行使用。因此,只要神经网络没有过拟合,网络越深,性能越好。但是,在实践中,不断添加神经网络的深度首先会提高性能,然后会使其饱和,并且随着深度达到饱和的程度后,任何进一步增加网络深度都会导致性能下降。这是因为增加神经网络深度可能在训练模型时导致输入数据信息的丢失,因为这些输入数据都由神经网络的各层处理的。
在本具体方案实施设计中,模型所需的训练数据量与要训练的模型的大小之间存在线性正相关。其中一个基本原则是模型应足够大,以充分捕获数据不同部分之间的联系(例如图像中的纹理和形状,文本语法和语音中的音素,通信信号中使用的不同调制方法等)和要分类问题对应的细节(例如类别的数量)。模型前端的电平通常用于捕获输入数据的高级连接(例如通信调制信号的边缘和主体等)。模型后端的各层通常用于捕获有助于做出最终决策的信息(通常用于区分目标输出的详细信息)。因此,要解决的问题的复杂性越高(例如调制模式识别分类等),参数的数量和所需的训练数据量就越大。
如图13所示,图13为本发明的基于水声通信调制方式识别的深度神经网络系统的结构图。
基于水声通信调制方式识别的深度神经网络系统,其包括:数据预处理部分,对通过水声通信传过来的多种调制方式数据进行预处理;第一层神经网络,根据预处理后的所述水声通信传输过来的多种调制方式数据,经过数据格式调整成[通道,行,列]的数据格式产生第一层的特征提取集;第二层神经网络,根据第一层经过格式为M*N的卷积神经元处理后的数据特征提取集产生第二层高级特征集;第三层神经网络,根据第二层经过格式为M*N的卷积神经元处理后的数据高级特征集产生更高层的特征集;第四层神经网络层,通过前面提取的特征集进行初始数据分类识别;第五层神经网络层,产生最终的调制方式判断,通过全连接层对前面层数据特征提取的基础之上输出识别出的调制方式。
数据预处理部分包括:用于将各种调制方式复数格式数据对应转换成相应实数数据格式的数据转换单元;用于调整数据格式转换成为可以输入下一层网络提取数据特征的数据格式调整单元;以及对所述目标水声通信调制识别数据与参考水声通信调制数据进行归一化的归一化处理单元。
所述目标水声通信调制识别数据与所述参考水声通信调制数据特征相同。
所述目标水声通信调制识别数据与参考水声通信调制数据分别属于同一水声信道下的水声通信数据。
第一层神经网络包括了第一卷积层和第一池化层,第一卷积层包括M*N格式的神经单元*数据卷积单元(filters),其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第一池化层(也称为下采样层,a pooling layer)消除多余信息并降低计算复杂性。
第二层神经网络包括了第二卷积层和第二池化层,第二卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第二层的M值是第一层M值的2倍,两层的N值一样,第一层神经网络与第二层神经网络的神经单元数一致。第二池化层消除多余信息并降低计算复杂性。
第三层神经网络包括了第三卷积层和第三池化层,第三卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第三层神经网络比前两层神经单元数要少,这样可以更多的简化提取的数据特征,为后面正确分类提供数据基础。数据卷积单元(filters)第三层和第一层格式一样这样可以保障提取数据特征的一致性,方便进一步提高分类的正确率。第三池化层消除多余信息并降低计算复杂性。
虽然深度神经网络层中,通过增加神经元的个数可以提取更多的数据特征,同时过多的神经元也很容易造成过拟合问题,导致训练完成的模型泛化能力不好。这时就需要通过在深度神经网络层之间加入防止过拟合的处理方式来提高模型的泛化能力。
前面三层选择卷积神经网络是因为卷积神经网络具有权值共享和可变感受野的优势,因此,可以减少训练的参数数量,从而提高模型训练的速度,同时节省硬件的计算资源。
第四层神经网络层(Dense层)也称为全连接预判断层,根据所述前层提取的特征集进行初步判断处理,也就说判断初始数据特征集的分属归类情况,分析这些数据特征集分别属于哪些分类。可以通过前面卷积神经网络提供的特征集,这层使用全连接层进行数据的分类处理,通过这层的数据分类预处理,提高最后的调制方式识别的成功率。
在深度神经网络对数据处理过程中,最大池操作认为围绕最大值的信息不重要,因此被删除。但是,此操作也可以删除关键信息。调制识别与图像数据处理方式不同,因为所有输入信息都来自发送的符号。因此,调制识别处理过程没有像图像处理那样可以丢弃的外围信息。因此,此处处理过程不能加入池化层的操作。
第五层神经网络层(Dense层)也称为全连接判断层,根据前面神经网络层提供的特征信息和实际传输的调制方式来对接收到的调制方式来判断结果,判断经过水声信道污染的接收信号属于何种调制方式。通过两层的全连接层形成有效的特征集数据分类能力,给最终的调制方式判断提供有力的保障。目前可分类的主要用于水声通信的调制方式为MPSK(主要包括BPSK、QPSK、8PSK等)和MQAM(主要包括16QAM),同时可以加入64QAM这种高效调制方式,使得模型的以后随着调制方式的增多的可应用范围进一步提高。全连接预判断和全连接判断层,对从每层深度神经网络输出的结果进行处理,合并和优化并输出最终的调试方式结果。
在本发明中,使用了训练深度神经网络模型数据和测试深度神经网络模型数据分别独立输入的方式,也就说先将训练模型的数据输入到神经网络中,进行神经网络的训练,当训练完毕后,再将测试模型的数据输入到神经网络中进行对网络模型的准确率测试。故可以模拟实际使用的情况,提高在实际水声通信中的使用效果,更方便高效地完成水声通信调制识别,提高识别判断的准确度。因为在实际使用之前已经完成了对模型的训练及测试工作,在实际的上线使用中训练好的模型不需要进行参数的动态调整、数据处理和相应运算过程,而可以直接通过输入的数据判断输出的结果,具备延迟低、实时处理性好和效率高等优点。
图3显示了方案实施设计中CNN做卷积操作时的步骤结构,图3(a)所示为卷积神经网络的filters在第一步处理时的示意图,图3(b)所示为卷积神经网络的filters在第二步处理时的示意图。以一组数据展示输入过程中,filter的大小为4个数据(2*2,横竖各取2个数据,一共4个数据)。在数据进入输入层之后,它由实施方案中第一卷积层处理输入的数据,这相当于从数据中提取细节。对于实施方案中使用d的filter操作,从图3(a)到图3(b)的移动称为stride,在示例中,stride为1。实施方案中处理的数据对应于图3中输入层中的位置。从输入层到第一个隐藏层的连接执行卷积操作。例如,图3(b)的操作可表示为其中Ai对应于输入层(具体实施方案使用的深度神经网络数据展开位置),是权重,k=0,...,3,并且l是filter的移动到的对应位置的序号。Bj,j=0,1,...,8,是从输入层卷积获得的第一隐藏层的输入。图3(b)的卷积运算是
在实施方案中所采用的卷积可以是一维(1D),二维(2D)或三维(3D)。一维(1D)卷积主要用于自然语言处理(NLP)方面,而二维(2D)和三维(3D)卷积用于多种数据处理方面,包括图像数据处理、通信数据处理等方面,2D用于单个二维数据的形式,3D可用于多维数据的形式。本实施方案需要根据水声通信的数据维数情况使用高维(大于等于二维)的方式处理数据,图4中展示了数据的3D卷积处理的示意方式。图4上面3层节点代表3个数据平面,图4下面一层的节点代表卷积结果。透明黑盒中的12个节点连接到最下面一层的黑色节点,每个滤波器步骤对应于类似于上面描述的卷积公式操作。
在本方案实施设计中,使用函数激活功能确定神经元是否被激活,该神经元接收的信息是否有用,以及神经元是否应该保留或被删除。非线性激活函数对于非常复杂的任务可能是有效的,并且随着神经网络层数的增加,这种保留有用信息的能力也会随之增加,但可能因为获取了过多无法泛化模型的信息而导致过拟合。本方案实施设计中为了避免上述问题,采用了具有少量层的CNN。此外,为了避免过拟合,在网络训练期间使用随机停用来增加模型的泛化能力。因此,在给定的一定概率下,一些神经元在训练迭代中被去激活(未连接到其他神经元)。
在方案实施设计中,激活函数功能定义为其中Uk和Vk是第k层的输入和输出特征映射,和是第k层(k=0,1,...,f)的第j个卷积核的权重和偏差,并且表示卷积。ρ(·)是激活函数,这里是由ReLU函数给出的
在具体实施方案中,使用的用于调制识别的CNN架构具有类似ALexNet的结构。AlexNet作为一种经典的CNN模型参考结构曾经赢得了ImageNet竞赛冠军,在这种结构中使用了非线性激活功能ReLU,防止过拟合的dropout技术,以及用于训练的大量数据。在本发明的具体实施方案中设计的CNN架构有三个卷积层和一个全连接的层。下面有CNN架构的详细参数设计说明,其与典型2层CNN架构有所不同,而且在最后的分类效果上也明显更有优势。
在具体实施方案中,参考了典型的CNN架构,包括跟随卷积层的池化层(也称为下采样层)。该层的主要目的是消除多余信息并降低计算复杂性。在CNN处理中的最大池化操作(Max Pooling)认为围绕最大值的信息是不重要,因此可以被删除。但是,此操作可以删除关键信息。使用深度神经网络的调制方式识别与图像处理过程不同,因为所有输入数据都与发送的符号有关。因此,没有像图像处理那样可以丢弃的外围信息,因此这里不能使用池化技术。
在本发明的具体实施方案中,专用于调制方式识别所提出的CNN架构如摘要图所示。它由输入层,三个隐藏(卷积)层和一个全连接的层组成。输入层具有数据组成形式2×128矩阵的采样虚拟/实数(I/Q)数据集组成,在这个网络架构中隐藏层的主要功能是特征提取。在方案的具体实施落地时,为了更好验证网络架构的有效性,这里采用如下的网络架构神经元和filter大小参数设计:卷积层Conv1是尺寸为256×1×3的形式,Conv2是尺寸为256×2×3的形式,以及Conv3尺寸为80×1×3的形式,其中例如256×1×3表示由256个神经元和1×3filter过滤器组成的层。
这里的方案实施时,之所以设计成这样的网络架构形式主要是因为当第二个隐藏层大小被选择为更大时,因为更多的神经元可以更好地匹配数据,从而提高性能,但第三层更小,以降低复杂性并聚合特征。同时在方案的具体实施中,隐藏层采用了2D卷积运算,来更好的契合由复数组成的输入数据,并采用上述实施方案设计中提到的ReLU函数作为这些层中的激活功能函数。
在方案具体实施时,全连接的层使用先前层的特征来对调制进行分类。它由具有256个神经元的Dense层(Dense神经元个数为256)和具有对应于BPSK,QPSK,8PSK,16QAM,64QAM的5种验证调制方式识别最终输出神经元的输出层(Dense神经元个数为5)组成。在本实施方案时,输出层使用Softmax函数作为激活函数,定义为其中zn是第n个神经元的输入,是层中所有神经元输入的总和,K是对应层中神经元的数量。此函数的目标是将实数输入向量压缩为元素范围为(0,1)的向量。
在本实施方案中,为了确定输出中的权重和偏移量,使得训练数据的输出y(x)类似于x,采用均方误差(MSE)作为成本函数,其被定义为其w是权重集,β是偏移量。γ是训练数据的大小,a是输入层的输出,||…||表示向量范数。在本具体实施方案中,如果训练成功,则C(w,β)≈0。训练的目标是通过调整权重和偏移来最小化成本函数C(w,β)。
在实际的具体方案实施时,用于训练的数据集通常很大,但是内存和计算限制限制了每次迭代可以处理的数据量。因此,数据集被分成批次来训练模型。批量大小决定了训练迭代中使用的样本数(数据向量),这将影响准确性和训练速度。如果数据集大小足够,那么数据集的一半(或甚至更少)的最小成本函数将与所有数据通过模型训练出来的效果相似。如果批量太小,可能会出现在成本函数收敛时会收敛到尖锐的最小值,导致训练后的模型泛化能力不强。
在实际方案实施中使用的多层神经网络不是单纯的凸函数,并且在形成逼近函数的过程中存在多个局部最小值。局部最小值的数量随着层数的增加而增加,这是为了确保实施方案时能达到最佳性能,必须仔细选择批量大小和dropout等超参数。批量大小的选择是训练准确性与硬件资源和计算复杂性之间的平衡。因此,需要在方案实施时进行实验以确定合适的批量大小,训练出更高判断准确率的模型。
在方案实施过程中,训练中使用的损失函数是交叉熵函数。交叉熵提供实际输出和期望输出之间的距离,即交叉熵越小,两个概率分布越接近。如果期望的输出分布是P(ε)并且实际输出分布是Q(ε),并且ε表示样本空间中的样本变量,则交叉熵函数可以写成交叉熵反映了分布P(ε)和Q(ε)之间的相似度,在实施方案时,这用于更新权重和偏差参数。
在实施方案的过程中,可以选择的优化算法,如梯度下降,随机梯度下降(SGD)和自适应矩估计(Adam)等多种方法。与其他自适应学习算法相比,Adam收敛速度更快,学习效率更高,并且不会遇到其他优化技术的问题,如损失函数波动和收敛慢等问题。之所以在方案实施过程中使用Adam,这是因为它采用了先前平方梯度的指数衰减平均值以及先前梯度的指数衰减平均值,所以才能在模型训练过程中取得良好的效果。
在具体的方案训练测试时,图5显示了批量大小(batch size)从32到1024的分类精度,这里batch size是训练迭代中使用的向量数。这表明当批量大小为512时,精度最高,而批量大小32为太小而无法进行准确分类。当SNR大于0dB时,批量大小为128到1024的性能几乎相同。在较低的SNR下,批量大小512略好于128,并且批量大小为1024时没有显着改进。因此,在方案具体实施时,可以选择批量大小为512来训练模型,既可以保障训练模型的较高的准确率,又可以在硬件资源有限的情况下提高训练效率减少训练模型的时间。
在方案实施训练过程中,图6显示了批量大小为512时的损失率(计算方法参考上面提到的损失函数)与epoch数量的关系。Epoch相当于批量迭代的次数。在这里trainingloss+error反应的是训练后的损失情况,表示预测数据分布与训练数据的实际数据分布之间的差异。val_error类似于training loss+error,但是使用输入训练模型的验证数据集,通过上面提及的损失函数来计算,从而获得以预测验证数据集的结果。如果模型和数据之间存在良好的匹配,则val_error将很小。在这种情况下,会将整个数据集一半的数据集用于训练,另一半用于验证。
在方案实施的测试过程中,图7显示了2层和3层CNN在不同信噪比下的分类精度情况。与3层CNN相比,2层CNN具有少一个隐藏层(包含256个神经元)的结构形式。这表明3层CNN结构比2层CNN结构在信噪比较高时提供了更好的性能,大约3层CNN比2层CNN高-15dB左右。特别地,对于-10dB和-5dB之间的信噪比范围内,3层CNN比2层CNN好近5%,两者差异大约为20%左右。
在具体的实施方案测试过程中,为了进一步说明3层CNN性能的优越性,图8中给出了2层CNN和3层CNN判断调制方式结果的混淆矩阵形式(图8(a)代表3层CNN调制识别分类结果,图8(b)代表2层CNN调制识别分类结果),其显示了从-20dB到20dB的所有信噪比下的总体结果。训练数据集的大小为50,000个向量,前面提及的用于测试的五种调制模式中的每一种都对应的有10,000个样本向量数据。纵轴表示真实调制方式,横轴表示预测调制方式,方框中的数字代表相应结果的百分比。颜色越深,说明判断为该种调制方式的百分比越高。考虑到64QAM作为真实调制方式,与QPSK的交集显示3层CNN提供比2层CNN更好的识别调制方式的性能。
在方案具体的实施测试时,信噪比为-4dB和0dB时的混淆矩阵分别在图9和图10中给出(图9(a)所示为3层CNN在信噪比值的调制识别效果图,图9(b)所示为2层CNN在信噪比值的调制识别效果图;图10(a)所示为3层CNN在信噪比值的调制识别效果图,图10(b)所示为2层CNN在信噪比值的调制识别效果图)。这些结果清楚地表明了3层CNN的优越性,特别是在区分容易混淆的64QAM和QPSK这两种调制方式时。在-8dB的信噪比,3层和2层CNN的总体分类准确度分别为94.5%和80.8%,整体上看相差了10%以上,性能差别巨大。对于SNR=0,对于3层CNN,分类识别准确率增加到98.1%,但对于2层CNN,分类识别准确率增加到82.6%。当SNR为-4dB和0dB时,3层CNN能够区分出容易混淆的64QAM和QPSK,但是对于2层CNN,区分这两种调制方式的结果很差。进一步说明了本发明在水声通信过程中深度神经网络在结构设计上的优势。
为了进一步说明本发明在方案实施时测试环节中显示的结构上的优势,图11显示了使用本发明的深度神经网络和其他四种不同神经网络结构在分类精度上的差异。其中涉及到的四种常用神经网络是人工神经网络(ANN),多层感知器(MLP),4层深度神经网络(DNN)和8层DNN(非卷积神经元)。这表明了当SNR大于-15dB时,CNN结构提供明显比其他形式神经网络架构更好的性能表现。与其他神经网络架构相比,3层CNN网络架构显示出更好的分类性能。
本实施方法中,如图12所示,基于水声通信调制方式识别的方法,其包括:对训练深度神经网络模型数据和测试深度神经网络模型数据分别进行预处理调整;使用深度神经网络对训练深度神经网络模型数据和测试深度神经网络模型数据进行处理,可以获得训练深度神经网络模型数据和测试深度神经网络模型数据的数据特征集;将训练深度神经网络模型数据和测试深度神经网络模型数据的特征进行分别重组形成训练用的特征数据序列和测试模型用的特征数据序列;最终利用全连接层识别所述序列特征,从而最终获得水声通信的模拟调制方式的判断结果。通过这种方式,可以和上述常用水声调制方式一样,在添加新型调制方式后也可以使用模型进行调制方式的判断,从而提高对水声通信传输数据的调制方式的识别准确率。
所述提前处理过程包括数据格式调整、数据卷积单元的大小调整和归一化预处理。
所述提前处理过程在训练时为了进一步提高模型的识别精度,采用数据扩容的方式。
由本发明,能够进一步提供提高无线通信调制识别准确率的用于水声通信调制方式识别的深度神经网络系统及方法,以及用于识别水声通信调制方式的方法。
该方法可以通过组合深度神经网络特征提取功能部分A1、深度神经网络特征提取功能部分A2、深度神经网络特征提取功能部分A3、…、深度神经网络特征提取功能部分An(共n个,n≥2),深度神经网络特征提取功能部分Ai(1≤i≤n)和全连接判断层构成深度神经网络系统。也就是说,深度神经网络系统可以是包括多个深度神经网络特征提取功能部分(前述的深度神经网络特征提取功能部分A1、深度神经网络特征提取功能部分A2、深度神经网络特征提取功能部分A3、…、深度神经网络特征提取功能部分An)和全连接判断层。
在本实施方法中,深度神经网络特征提取功能部分Ai(1≤i≤n)的输入可以来自同一个水声通信信道的不同的参考调制数据和目标调制数据。
此外,在另外的一些示例中,深度神经网络特征提取功能部分Ai(1≤i≤n)均可以采用上述的深度神经网络特征提取功能部分。也就是说,深度神经网络特征提取功能部分Ai(1≤i≤n)可以使用来自相同水声信道的调制方式的不同深度神经网络。
在本实施方法中,全连接判断层可以对上述多个深度神经网络特征提取功能部分Ai(1≤i≤n)的输出结果进行处理并可以输出对调制方式的最终判断。即上述多个深度神经网络特征提取功能部分Ai(1≤i≤n)的输出与全连接判断层相连接,全连接判断层通过对这些深度神经网络的综合处理来输出最终判断结果。
在一些实例中,全连接判断层可以输出存在哪种调制方式的结果判断。而在另外一些实例中,全连接判断层也可以输出是否需要进一步的判断调制方式,如果是某种调制方式应该能更好的归类为某种调制方式的判断。
在一些实例中,全连接判断层可以通过输出概率的方式来判断最终结果。此外,在其他一些示例中,全连接判断层也可以采用各种非线性或者是线性分类器的方式比如随机森林(Random Forest)、决策树(Decision Tree)、支持向量机(SVM)等。甚至在某些示例中,全连接判断层也可以使用一些简单的数值操作方法,比如最大值判断法、平均值判断法等。
需要进一步说明的是,对于上述的各个方法步骤,为了简明表述,将其描述成一系列的层级模块组合,但是本领域的技术人员应该悉知,本发明并不受所陈述的识别类型模块层级操作顺序的限制,因为根据本申请,某些操作过程可以使用其他顺序或者同时进行。
对上述实施方法或实例描述中,对各种实施方法或者实例的陈述都各有倚重。某些实施方法或者实例中没有具体详述的部分,可以参考其他实施方法或者实例的相关陈述。
此外,本发明所涉及的步骤方式可以根据实际需要进行前后顺序的倒换调整、删除和合并等各种组合方式。本发明所提及的设计中的组成元素、子单元或者部分模块可以根据实际情况的需求进行倒换调整、删除和合并。
本领域普通技术人员可以理解上述实施方法中的部分或者全部步骤是可以通过程序来操纵相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质包括随机存储器(RAM,Random Access Memory)、只读存储器(ROM,Read-Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、一次可编程只读存储器(OTPROM,One-timeProgrammable Read-Only Memory)、电子抹除式可复写只读存储器(EEPROM,Electrically-Erasable Programmable Read-Only Memory)、只读光盘(CD-ROM,CompactDisc Read-Only Memory)或者其他光盘存储器、磁盘存储器、磁带存储器、亦或者能够使用携带或者存储数据的计算机可读的任何形式的其他存储介质。
以上通过实施方法和附图对本发明进行了详细说明,但是可以知悉,上述说明不以任何方式限制本发明。本领域的技术人员在不偏离本发明的实质精神和范围的情况下可以根据需要对本发明进行适当变化和变形,这些变化和变形均落入本发明的范围之内。
Claims (11)
1.基于水声通信调制方式识别的深度神经网络系统,其特征在于,该基于水声通信调制方式识别的深度神经网络系统包括:
数据预处理部分,对通过水声通信传过来的多种调制方式数据进行预处理;
第一层神经网络,根据预处理后的所述水声通信传过来的多种调制方式数据,经过数据格式调整成[通道,行,列]的数据格式产生第一层的特征提取集;
第二层神经网络根据该第一层神经网络生成的第一层的特征提取集产生第二层高级特征集;
第三层神经网络,根据该第二层神经网络生成的第二层高级特征集产生更高层的特征集,
第四层神经网络层,通过前面提取的特征集进行初始数据分类识别;
第五层神经网络层,产生最终的调制方式判断,输出识别出的调制方式。
2.根据权利要求1所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,该数据预处理部分包括:将各种调制方式复数格式数据对应转换成相应实数数据格式的数据转换单元;调整数据格式转换成为可以输入到该第一层神经网络提取数据特征的数据格式调整单元;以及对目标水声通信调制识别数据与参考水声通信调制数据进行归一化的归一化处理单元。
3.根据权利要求2所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,所述目标水声通信调制识别数据与所述参考水声通信调制数据特征相同。
4.根据权利要求2所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,所述目标水声通信调制识别数据与所述参考水声通信调制数据分别属于同一水声信道下的水声通信数据。
5.根据权利要求1所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,该第一层神经网络包括了第一卷积层和第一池化层,第一卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第一池化层消除多余信息并降低计算复杂性。
6.根据权利要求5所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,该第二层神经网络包括了第二卷积层和第二池化层,第二卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,第二卷积层的M值是第一卷积层M值的2倍,两层的N值一样,第一层卷积层的神经单元数与第二卷积层的神经单元数一致,第二池化层消除多余信息并降低计算复杂性。
7.根据权利要求5所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,第三层神经网络包括了第三卷积层和第三池化层,第三卷积层包括M*N格式的神经单元*数据卷积单元,其中,M代表分析数据的行上的数据个数,N代表分析数据的列上的数据个数,该第三卷积层的神经单元数比该第一卷积层的神经单元数要少,该第三卷积层的数据卷积单元与该第一卷积层的数据卷积单元数一样,第三池化层消除多余信息并降低计算复杂性。
8.根据权利要求1所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,该第四层神经网络层为全连接预判断层,根据各层神经网络提取的特征集进行初步判断处理,判断初始数据特征集的分属归类情况,分析这些数据特征集分别属于哪些分类,通过各层神经网络提供的特征集,这层使用全连接层进行数据的分类处理。
9.根据权利要求1所述的基于水声通信调制方式识别的深度神经网络系统,其特征在于,该第五层神经网络层为判断层,根据各层神经网络提供的特征信息对实际传输的调制方式进行判断,判断经过水声信道污染的接收信号属于何种调制方式。
10.基于水声通信调制方式识别的方法,其特征在于,该基于水声通信调制方式识别的方法采用权利要求1所述的基于水声通信调制方式识别的深度神经网络系统,该基于水声通信调制方式识别的方法包括:
步骤1,对训练深度神经网络模型数据和测试深度神经网络模型数据分别进行预处理调整;
步骤2,使用该基于水声通信调制方式识别的深度神经网络系统对训练深度神经网络模型数据和测试深度神经网络模型数据进行处理,获得训练深度神经网络模型数据和测试深度神经网络模型数据的数据特征集;
步骤3,将训练深度神经网络模型数据和测试深度神经网络模型数据的特征进行分别重组形成训练用的特征数据序列和测试模型用的特征数据序列;
步骤4,利用第四层神经网络层识别所述序列特征,获得水声通信的模拟调制方式的判断结果。
11.根据权利要求1所述的基于水声通信调制方式识别的方法,其特征在于,在步骤1中,进行的预处理调整包括数据格式调整、数据卷积单元的大小调整和归一化预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154861.XA CN109299697A (zh) | 2018-09-30 | 2018-09-30 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154861.XA CN109299697A (zh) | 2018-09-30 | 2018-09-30 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299697A true CN109299697A (zh) | 2019-02-01 |
Family
ID=65161238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811154861.XA Pending CN109299697A (zh) | 2018-09-30 | 2018-09-30 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299697A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361635A (zh) * | 2018-11-23 | 2019-02-19 | 泰山学院 | 基于深度残差网络的水下通信调制方式识别方法及系统 |
CN109462564A (zh) * | 2018-11-16 | 2019-03-12 | 泰山学院 | 基于深度神经网络的水下通信调制方式识别方法及系统 |
CN109547374A (zh) * | 2018-11-23 | 2019-03-29 | 泰山学院 | 一种用于水下通信调制识别的深度残差网络及系统 |
CN109981502A (zh) * | 2019-03-27 | 2019-07-05 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收系统 |
CN110163249A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院计算技术研究所 | 基于用户参数特征的基站分类识别方法及系统 |
CN110311876A (zh) * | 2019-06-06 | 2019-10-08 | 天津大学 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
CN110765865A (zh) * | 2019-09-18 | 2020-02-07 | 北京理工大学 | 基于改进的yolo算法的水下目标检测方法 |
CN111010356A (zh) * | 2019-11-08 | 2020-04-14 | 西北工业大学 | 一种基于支持向量机的水声通信信号调制方式识别方法 |
CN111431565A (zh) * | 2020-03-16 | 2020-07-17 | 东莞职业技术学院 | 一种光通信mimo检测方法及系统 |
CN111698006A (zh) * | 2019-03-12 | 2020-09-22 | 三星电子株式会社 | 使用神经网络的多输入多输出(mimo)检测器选择 |
CN111970218A (zh) * | 2020-08-27 | 2020-11-20 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN112152948A (zh) * | 2019-06-28 | 2020-12-29 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
CN112329524A (zh) * | 2020-09-25 | 2021-02-05 | 泰山学院 | 基于深度时序神经网络的信号分类识别方法、系统及设备 |
CN112329523A (zh) * | 2020-09-25 | 2021-02-05 | 泰山学院 | 一种水声信号种类识别方法、系统及设备 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112883355A (zh) * | 2021-03-24 | 2021-06-01 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN113452637A (zh) * | 2021-09-01 | 2021-09-28 | 中国海洋大学 | 基于特征选择和支持向量机的水声通信信号调制识别方法 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
CN114520817A (zh) * | 2022-02-18 | 2022-05-20 | 中国农业银行股份有限公司 | 数据传输方法及装置、存储介质及电子设备 |
CN114915526A (zh) * | 2022-04-19 | 2022-08-16 | 中国人民解放军战略支援部队信息工程大学 | 通信信号调制识别方法、装置及系统 |
CN116680608A (zh) * | 2023-05-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于复数图卷积神经网络的信号调制识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629879A (zh) * | 2012-03-21 | 2012-08-08 | 华南理工大学 | 一种基于模式调频的水声通信方法 |
KR101580427B1 (ko) * | 2015-01-29 | 2015-12-28 | 한국해양대학교 산학협력단 | 시변 수중음향통신 채널을 위한 도플러 주파수 추정 및 수신방법 |
CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN108154085A (zh) * | 2017-12-06 | 2018-06-12 | 北京顺源开华科技有限公司 | 基于心电数据进行身份识别的方法、装置及电子设备 |
CN108429591A (zh) * | 2017-11-13 | 2018-08-21 | 西北工业大学 | 一种适用于深海信道的多载波水声通信方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
-
2018
- 2018-09-30 CN CN201811154861.XA patent/CN109299697A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629879A (zh) * | 2012-03-21 | 2012-08-08 | 华南理工大学 | 一种基于模式调频的水声通信方法 |
KR101580427B1 (ko) * | 2015-01-29 | 2015-12-28 | 한국해양대학교 산학협력단 | 시변 수중음향통신 채널을 위한 도플러 주파수 추정 및 수신방법 |
CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
CN107547460A (zh) * | 2017-08-21 | 2018-01-05 | 西安电子科技大学 | 基于深度学习的无线通信调制信号识别方法 |
CN108429591A (zh) * | 2017-11-13 | 2018-08-21 | 西北工业大学 | 一种适用于深海信道的多载波水声通信方法 |
CN107979554A (zh) * | 2017-11-17 | 2018-05-01 | 西安电子科技大学 | 基于多尺度卷积神经网络的无线电信号调制识别方法 |
CN108154085A (zh) * | 2017-12-06 | 2018-06-12 | 北京顺源开华科技有限公司 | 基于心电数据进行身份识别的方法、装置及电子设备 |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
Non-Patent Citations (2)
Title |
---|
WANG YONGSHI等: "CNN-based modulation classification in the complicated communication channel", 《2017 IEEE 13TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS(ICEMI)》 * |
陆扬等: "基于时频分析和神经网络的水声通信信号识别技术", 《科技导报》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462564A (zh) * | 2018-11-16 | 2019-03-12 | 泰山学院 | 基于深度神经网络的水下通信调制方式识别方法及系统 |
CN109462564B (zh) * | 2018-11-16 | 2021-08-03 | 泰山学院 | 基于深度神经网络的水下通信调制方式识别方法及系统 |
CN109547374A (zh) * | 2018-11-23 | 2019-03-29 | 泰山学院 | 一种用于水下通信调制识别的深度残差网络及系统 |
CN109547374B (zh) * | 2018-11-23 | 2021-11-23 | 泰山学院 | 一种用于水下通信调制识别的深度残差网络及系统 |
CN109361635A (zh) * | 2018-11-23 | 2019-02-19 | 泰山学院 | 基于深度残差网络的水下通信调制方式识别方法及系统 |
CN109361635B (zh) * | 2018-11-23 | 2021-06-04 | 泰山学院 | 基于深度残差网络的水下通信调制方式识别方法及系统 |
CN111698006A (zh) * | 2019-03-12 | 2020-09-22 | 三星电子株式会社 | 使用神经网络的多输入多输出(mimo)检测器选择 |
CN109981502A (zh) * | 2019-03-27 | 2019-07-05 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收系统 |
CN109981502B (zh) * | 2019-03-27 | 2021-11-26 | 暨南大学 | 一种基于自适应矩估计的数据接收方法及接收系统 |
CN110163249A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院计算技术研究所 | 基于用户参数特征的基站分类识别方法及系统 |
CN110311876A (zh) * | 2019-06-06 | 2019-10-08 | 天津大学 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
CN112152948B (zh) * | 2019-06-28 | 2021-12-03 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
CN112152948A (zh) * | 2019-06-28 | 2020-12-29 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
CN110765865B (zh) * | 2019-09-18 | 2022-06-28 | 北京理工大学 | 基于改进的yolo算法的水下目标检测方法 |
CN110765865A (zh) * | 2019-09-18 | 2020-02-07 | 北京理工大学 | 基于改进的yolo算法的水下目标检测方法 |
CN110598677A (zh) * | 2019-10-08 | 2019-12-20 | 电子科技大学 | 一种用于自动调制识别的时空多通道深度学习系统 |
CN111010356A (zh) * | 2019-11-08 | 2020-04-14 | 西北工业大学 | 一种基于支持向量机的水声通信信号调制方式识别方法 |
CN111431565B (zh) * | 2020-03-16 | 2021-02-12 | 东莞职业技术学院 | 一种光通信mimo检测方法及系统 |
CN111431565A (zh) * | 2020-03-16 | 2020-07-17 | 东莞职业技术学院 | 一种光通信mimo检测方法及系统 |
CN111970218B (zh) * | 2020-08-27 | 2021-09-14 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN111970218A (zh) * | 2020-08-27 | 2020-11-20 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112329523A (zh) * | 2020-09-25 | 2021-02-05 | 泰山学院 | 一种水声信号种类识别方法、系统及设备 |
CN112329524A (zh) * | 2020-09-25 | 2021-02-05 | 泰山学院 | 基于深度时序神经网络的信号分类识别方法、系统及设备 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
CN112600772B (zh) * | 2020-12-09 | 2022-05-17 | 齐鲁工业大学 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
CN112883355A (zh) * | 2021-03-24 | 2021-06-01 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN112883355B (zh) * | 2021-03-24 | 2023-05-02 | 南京邮电大学 | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
CN113709075B (zh) * | 2021-07-27 | 2022-08-05 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
CN113452637A (zh) * | 2021-09-01 | 2021-09-28 | 中国海洋大学 | 基于特征选择和支持向量机的水声通信信号调制识别方法 |
CN114520817A (zh) * | 2022-02-18 | 2022-05-20 | 中国农业银行股份有限公司 | 数据传输方法及装置、存储介质及电子设备 |
CN114520817B (zh) * | 2022-02-18 | 2024-04-16 | 中国农业银行股份有限公司 | 数据传输方法及装置、存储介质及电子设备 |
CN114915526A (zh) * | 2022-04-19 | 2022-08-16 | 中国人民解放军战略支援部队信息工程大学 | 通信信号调制识别方法、装置及系统 |
CN114915526B (zh) * | 2022-04-19 | 2023-05-26 | 中国人民解放军战略支援部队信息工程大学 | 通信信号调制识别方法、装置及系统 |
CN116680608A (zh) * | 2023-05-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于复数图卷积神经网络的信号调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299697A (zh) | 基于水声通信调制方式识别的深度神经网络系统及方法 | |
CN108234370A (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN110349136A (zh) | 一种基于深度学习的篡改图像检测方法 | |
CN108038471A (zh) | 一种基于深度学习技术的水声通信调制模式识别方法 | |
CN110309854A (zh) | 一种信号调制方式识别方法及装置 | |
CN111767848B (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
CN110490265B (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
Chen et al. | Automated design of neural network architectures with reinforcement learning for detection of global manipulations | |
CN112702294A (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN109086886A (zh) | 一种基于极限学习机的卷积神经网络学习算法 | |
CN108960264A (zh) | 分类模型的训练方法及装置 | |
CN108734138A (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN109344898A (zh) | 基于稀疏编码预训练的卷积神经网络图像分类方法 | |
CN109635653A (zh) | 一种植物识别方法 | |
CN110045356A (zh) | 一种双向长短时记忆神经网络水面目标识别方法 | |
CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
CN113378644B (zh) | 基于生成式对抗网络的信号调制类型识别攻击的防御方法 | |
CN114663685B (zh) | 一种行人重识别模型训练的方法、装置和设备 | |
CN111931814A (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
CN110503185A (zh) | 一种改进的深度调制识别网络模型 | |
Li et al. | Dictionary optimization and constraint neighbor embedding-based dictionary mapping for superdimension reconstruction of porous media | |
CN109462564A (zh) | 基于深度神经网络的水下通信调制方式识别方法及系统 | |
CN110390393A (zh) | 模型特征筛选方法及装置、可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |